CN110298603B - 分布式光伏系统容量估计方法 - Google Patents

分布式光伏系统容量估计方法 Download PDF

Info

Publication number
CN110298603B
CN110298603B CN201910610820.5A CN201910610820A CN110298603B CN 110298603 B CN110298603 B CN 110298603B CN 201910610820 A CN201910610820 A CN 201910610820A CN 110298603 B CN110298603 B CN 110298603B
Authority
CN
China
Prior art keywords
photovoltaic system
photovoltaic
standard
output power
power
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910610820.5A
Other languages
English (en)
Other versions
CN110298603A (zh
Inventor
王飞
葛鑫鑫
李康平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
North China Electric Power University
Original Assignee
North China Electric Power University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by North China Electric Power University filed Critical North China Electric Power University
Priority to CN201910610820.5A priority Critical patent/CN110298603B/zh
Publication of CN110298603A publication Critical patent/CN110298603A/zh
Application granted granted Critical
Publication of CN110298603B publication Critical patent/CN110298603B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Strategic Management (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Medical Informatics (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Photovoltaic Devices (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种分布式光伏系统容量估计方法，包括：从多个已知光伏容量的光伏系统中选取一个作为标准光伏系统；获取标准光伏系统的历史输出功率，并据其对天气类型进行分类；获取待估计光伏系统在两种天气类型下的日净负荷功率和标准光伏系统在两种天气类型下的历史输出功率，并据其获取两种天气类型对应的最优配对日期索引；基于其分别对待估计光伏系统在两种天气类型下的日净负荷功率和标准光伏系统在两种天气类型下的历史输出功率进行特征提取得到特征参数；利用支持向量回归模型根据特征参数进行光伏容量估计。该方法能够对用户安装的分布式光伏系统的容量进行准确估计，利于促进分布式光伏发电领域的健康发展和保障电力系统的安全运行。

Description

分布式光伏系统容量估计方法
技术领域
本发明涉及新能源技术领域，尤其涉及一种分布式光伏系统容量估计方法。
背景技术
光伏发电作为新能源发电的重要组成部分，因其具有低碳环保、清洁、可再生等特点，在近年来得到了快速发展。一般地，光伏发电可分为集中式发电和分布式发电。相较于集中式光伏发电，分布式光伏发电遵循因地制宜、分散布局、就近利用的原则，能更充分地利用当地的太阳能资源。据国家能源局统计，我国分布式光伏装机容量在2020年将达到60GW。然而，在分布式光伏发展如此迅猛的大背景下，也渐渐地暴露出一些问题，比如用户不经政府部门批准，私自安装分布式光伏或对其进行扩容。上述不规范行为，不仅会对用户本身带来不利影响，比如用户的用电安全将无法得到保障，而且会影响电力系统的稳定运行，例如会给各地区的变压器带来安全隐患，影响整个地区的电网质量等等。因此，对用户安装分布式光伏的容量进行估计，不仅能帮助政府部门监察用户是否私自安装分布式光伏系统或对其进行扩容，而且有利于保障用户的用电安全，促进分布式光伏发电领域的良性健康发展和保障电力系统的安全稳定运行。
目前，电网公司主要采取人工实地调查的方式来检测用户是否私自安装或者扩容分布式光伏，上述方法不仅会耗费大量的人力、物力和财力，而且检测效果不理想、效率低下，存在一定的局限性。因此，亟需提出一种更加科学合理的分布式光伏容量估计方法。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明的一个目的在于提出一种分布式光伏系统容量估计方法，以有效提升分布式光伏容量估计的精度和效率。
为达到上述目的，本发明实施例提出了一种分布式光伏系统容量估计方法，包括以下步骤：从多个已知光伏容量的光伏系统中选取一个作为标准光伏系统；获取所述标准光伏系统的历史输出功率，并根据所述标准光伏系统的历史输出功率对天气类型进行分类；获取待估计光伏系统在两种天气类型下的日净负荷功率和所述标准光伏系统在所述两种天气类型下的历史输出功率，并根据所述待估计光伏系统在两种天气类型下的日净负荷功率和所述标准光伏系统在所述两种天气类型下的历史输出功率获取所述两种天气类型对应的最优配对日期索引，其中，所述标准光伏系统在所述两种天气类型下的输出功率差异最大；基于所述最优配对日期索引，分别对所述待估计光伏系统在两种天气类型下的日净负荷功率和所述标准光伏系统在所述两种天气类型下的历史输出功率进行特征提取，以得到特征参数；利用支持向量回归模型根据所述特征参数对待估计光伏系统进行光伏容量估计，其中，所述支持向量回归模型通过由已知光伏容量的光伏系统组成的训练样本训练得到。
本发明实施例的分布式光伏系统容量估计方法，能够对用户安装的分布式光伏系统的容量进行准确估计，进而不仅能帮助政府部门监察用户是否私自安装分布式光伏系统或对其进行扩容，而且有利于保障用户的用电安全，促进分布式光伏发电领域的良性健康发展和保障电力系统的安全稳定运行。
具体地，从多个已知光伏容量的光伏系统中选取一个作为标准光伏系统，包括：计算各光伏系统与其他光伏系统之间光伏出力的欧式距离；分别计算各光伏系统对应的所有欧式距离的累加和；选取累加和最小的光伏系统作为所述标准光伏系统。
其中，通过如下公式计算两光伏系统之间光伏出力的欧式距离：
Figure BDA0002122170270000021
其中，pi,pv(t)和pj,pv(t)分别表示第i个光伏系统和第j个光伏系统在t时刻的输出功率，T为时间段集合，Fi,j表示光伏系统i和光伏系统j之间光伏出力的欧式距离。
具体地，通过如下公式对天气类型进行分类：
Figure BDA0002122170270000022
其中，||·||表示向量的2范数，
Figure BDA0002122170270000023
表示第s天所述标准光伏系统的输出功率，
Figure BDA0002122170270000024
表示第k种天气类别的聚类中心，Sk表示k种天气类型的日期索引集合。
具体地，根据所述待估计光伏系统在两种天气类型下的日净负荷功率和所述标准光伏系统在所述两种天气类型下的历史输出功率获取所述两种天气类型对应的最优配对日期索引，包括：
步骤1：计算第sA天和第sD天所述待估计光伏系统在t时刻的净负荷功率之差
Figure BDA0002122170270000025
和所述标准光伏系统的输出功率之差
Figure BDA0002122170270000026
令C＝Cmin，其中，
Figure BDA0002122170270000027
Figure BDA0002122170270000031
Figure BDA0002122170270000032
表示所述待估计光伏系统在天气类型A的第sA天t时刻的净负荷功率，
Figure BDA0002122170270000033
表示所述待估计光伏系统在天气类型D的第sD天t时刻的净负荷功率，
Figure BDA0002122170270000034
表示所述标准光伏系统在天气类型A的第sA天t时刻的输出功率，
Figure BDA0002122170270000035
表示所述标准光伏系统在天气类型D的第sD天t时刻的输出功率，Cmin表示光伏容量的最小值，smin和tmin分别表示最小净负荷功率对应的日期索引和时刻索引，min(·)表示求最小值，argmin(·)表示函数取最小值时的变量取值，
Figure BDA0002122170270000036
表示所述待估计光伏系统在第s天t时刻的净负荷功率，
Figure BDA0002122170270000037
表示所述待估计光伏系统在第smin天t时刻的净负荷功率，
Figure BDA0002122170270000038
表示所述标准光伏系统在第smin天第tmin时刻的输出功率；
步骤2：确定光伏容量的迭代步长ΔC，令C＝C+ΔC；
步骤3：根据
Figure BDA0002122170270000039
和
Figure BDA00021221702700000310
计算下式：
Figure BDA00021221702700000311
其中，ts表示一天中的发电起始时刻，te表示一天中的发电结束时刻；
步骤4：判断C＞Cmax是否成立，若不成立，则返回步骤2，若成立，则选择f(sA,sD)取最小值时出现频率最高的一对sA *和sD *，并将sA *和sD *作为所述最优配对日期索引，其中，
Figure BDA00021221702700000312
Cmax表示光伏容量的最大值，mean(·)表示求平均值。
具体地，通过如下公式计算所述待估计光伏系统在两种天气类型下的日净负荷功率特征参数：
Figure BDA00021221702700000313
其中，
Figure BDA00021221702700000314
和
Figure BDA00021221702700000315
分别表示所述待估计光伏系统在第sD*天和第sA*天t时刻的净负荷功率，f1表示针对所述待估计光伏系统的净负荷功率所提取的特征参数。
具体地，通过如下公式计算所述标准光伏系统在所述两种天气类型下的历史输出功率的特征参数：
Figure BDA0002122170270000041
其中，
Figure BDA0002122170270000042
和
Figure BDA0002122170270000043
分别表示所述标准光伏系统在第sD*天和第sA*天t时刻的输出功率，f2表示针对所述标准光伏系统的输出功率所提取的特征参数。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
图1是本发明一个实施例的分布式光伏系统容量估计方法的流程图；
图2是本发明一个示例的支持向量回归模型的结构示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
下面参考附图描述本发明实施例的分布式光伏系统容量估计方法。
实施例1
图1是本发明一个实施例的分布式光伏系统容量估计方法的流程图。
如图1所示，该分布式光伏系统容量估计方法包括以下步骤：
S1，从多个已知光伏容量的光伏系统中选取一个作为标准光伏系统。
具体地，可从部分光伏容量已知的用户中选取一个用户的光伏系统作为标准光伏系统，则任意一个用户的光伏系统在某天某时刻的输出功率可由其实际安装的光伏容量乘上标准光伏系统在相应时刻的输出功率来近似估计。标准光伏系统的选取步骤可为：计算各光伏系统与其他光伏系统之间光伏出力的欧式距离；分别计算各光伏系统对应的所有欧式距离的累加和；选取累加和最小的光伏系统作为所述标准光伏系统。
其中，可通过如下公式(1)计算两光伏系统之间光伏出力的欧式距离：
Figure BDA0002122170270000044
其中，pi,pv(t)和pj,pv(t)分别表示第i个光伏系统和第j个光伏系统在t时刻的输出功率，T为时间段集合，Fi,j表示光伏系统i和光伏系统j之间光伏出力的欧式距离。
S2，获取标准光伏系统的历史输出功率，并根据标准光伏系统的历史输出功率对天气类型进行分类。
具体地，可通过如下公式(2)对天气类型进行分类：
Figure BDA0002122170270000051
其中，||·||表示向量的2范数，
Figure BDA0002122170270000052
表示第s天标准光伏系统的输出功率，即第s天标准光伏系统所有功率采样点组成的向量，
Figure BDA0002122170270000053
表示第k种天气类别的聚类中心，Sk表示k种天气类型的日期索引集合。
具体而言，天气类型分类的目的是为每一天赋上标签，以确定各天的天气类型。在不同的天气条件下，光伏系统的输出功率大小不同，即输出功率大小与天气关系密切，其输出功率包含了丰富的天气类型信息。为了使天气类型独立于任何外部天气数据资源，本发明采用聚类方法对天气类型进行分类，如可采用上式(2)所示的K-means算法将标准光伏系统的历史输出功率曲线聚类成4个类别，四个聚类类别分别对应四种天气条件，分别记为A、B、C和D，标准光伏系统的输出功率在四种天气类型下由大到小排序为A＞B＞C＞D。
S3，获取待估计光伏系统在两种天气类型下的日净负荷功率和标准光伏系统在两种天气类型下的历史输出功率，并根据待估计光伏系统在两种天气类型下的日净负荷功率和标准光伏系统在两种天气类型下的历史输出功率获取两种天气类型对应的最优配对日期索引，其中，标准光伏系统在所述两种天气类型下的输出功率差异最大。
在该实施例中，日净负荷功率可通过电表读取，输出功率可通过光伏输出功率表读取。光伏系统的输出功率与光伏容量密切相关，通过光伏系统的输出功率能够较为准确估计光伏容量大小。然而，电网公司只能通过电表获取用户的光伏系统的净负荷功率(净负荷功率＝用户实际用电功率-用户安装的光伏系统的输出功率)，也就是说光伏系统的输出功率信息被隐藏在净负荷功率中。因此需要通过光伏系统的净负荷功率来估计用户安装的分布式光伏系统的容量。由于同一用户在不同天的实际用电功率不同，为了尽可能消除用电功率波动对光伏容量估计的干扰，对于每一个用户需要找到一对最优的净负荷功率曲线，满足以下两个条件：
1)两条净负荷功率曲线对应的输出功率应尽可能不同，即这对净负荷功率曲线应该来自两种不同的天气类型；
2)两条净负荷功率曲线对应的用户用电功率应尽可能相似，只有这样，两条净负荷功率曲线的差值才能反映分布式光伏系统的容量信息。
由于天气类型A和天气类型D下光伏系统的输出功率差异最大，因此最优配对在天气类型A和D之间进行。具体地，需找出所有属于天气类型A和D的日净负荷功率曲线，根据待估计光伏系统在两种天气类型下的日净负荷功率和标准光伏系统在两种天气类型下的历史输出功率获取两种天气类型对应的最优配对日期索引，可包括如下步骤：
步骤1：计算第sA天和第sD天待估计光伏系统在t时刻的净负荷功率之差
Figure BDA0002122170270000061
和标准光伏系统的输出功率之差
Figure BDA0002122170270000062
令C＝Cmin，其中，
Figure BDA0002122170270000063
Figure BDA0002122170270000064
Figure BDA0002122170270000065
表示待估计光伏系统在天气类型A的第sA天t时刻的净负荷功率，
Figure BDA0002122170270000066
表示待估计光伏系统在天气类型D的第sD天t时刻的净负荷功率，
Figure BDA0002122170270000067
表示标准光伏系统在天气类型A的第sA天t时刻的输出功率，
Figure BDA0002122170270000068
表示标准光伏系统在天气类型D的第sD天t时刻的输出功率，Cmin表示光伏容量的最小值，smin和tmin分别表示最小净负荷功率对应的日期索引和时刻索引，min(·)表示求最小值，argmin(·)表示函数取最小值时的变量取值，
Figure BDA0002122170270000069
表示待估计光伏系统在第s天t时刻的净负荷功率，
Figure BDA00021221702700000610
表示待估计光伏系统在第smin天t时刻的净负荷功率，
Figure BDA00021221702700000611
表示标准光伏系统在第smin天第tmin时刻的输出功率；
步骤2：确定光伏容量的迭代步长ΔC，令C＝C+ΔC；
步骤3：根据
Figure BDA00021221702700000612
和
Figure BDA00021221702700000613
计算下式：
Figure BDA00021221702700000614
其中，考虑到光伏系统只能在白天发电，这里截取一个时间窗，记为[ts,te]，ts表示一天中的发电起始时刻，te表示一天中的发电结束时刻，利用时间窗内用户的净负荷功率数据和标准光伏系统的输出功率数据进行最优配对；
步骤4：判断C＞Cmax是否成立，若不成立，则返回步骤2，若成立，则选择f(sA,sD)取最小值时出现频率最高的一对sA *和sD *，并将sA *和sD *作为所述最优配对日期索引，其中，
Figure BDA00021221702700000615
Cmax表示光伏容量的最大值，mean(·)表示求平均值。
S4，基于最优配对日期索引，分别对待估计光伏系统在两种天气类型下的日净负荷功率和标准光伏系统在两种天气类型下的历史输出功率进行特征提取，以得到特征参数。
具体地，可通过如下公式(3)计算待估计光伏系统在两种天气类型下的日净负荷功率特征参数：
Figure BDA0002122170270000071
其中，
Figure BDA0002122170270000072
和
Figure BDA0002122170270000073
分别表示待估计光伏系统在第sD*天和第sA*天t时刻的净负荷功率，f1表示针对待估计光伏系统的净负荷功率所提取的特征参数。
可通过如下公式(4)计算标准光伏系统在两种天气类型下的历史输出功率的特征参数：
Figure BDA0002122170270000074
其中，
Figure BDA0002122170270000075
和
Figure BDA0002122170270000076
分别表示标准光伏系统在第sD*天和第sA*天t时刻的输出功率，f2表示针对标准光伏系统的输出功率所提取的特征参数。
在一个示例中，不同用户对应的f1和f2如下表1所示：
表1
用户编号 特征f<sub>1</sub> 特征f<sub>2</sub>
#1 9.49 2.47
#2 2.36 2.25
#3 12.72 2.35
#4 3.70 1.99
#5 2.32 0.79
S5，利用支持向量回归模型根据特征参数对待估计光伏系统进行光伏容量估计，其中，支持向量回归模型通过由已知光伏容量的光伏系统组成的训练样本训练得到。
具体地，如图2所示，分别计算各用户的特征参数，然后选择已知容量的用户的数据作为训练样本，训练支持向量回归模型，其余部分作为验证数据，对模型的估计效果进行校验。校验结束后，将待估计光伏容量的特征参数f1和f2作为支持向量回归模型的输入，输出即为相应的估计容量。
为说明本发明方法的有效性，采用本发明的方法对5个用户进行光伏容量估计，估计值与实际值对比结果如下表2所示：
表2
Figure BDA0002122170270000077
Figure BDA0002122170270000081
从表2可以看出，经实际测试，本发明的光伏容量估计方法效果理想，具有较高的估计精度。
综上所述，本发明实施例的分布式光伏系统容量估计方法，能够对用户安装的分布式光伏系统的容量进行准确估计，进而不仅能帮助政府部门监察用户是否私自安装分布式光伏系统或对其进行扩容，而且有利于保障用户的用电安全，促进分布式光伏发电领域的良性健康发展和保障电力系统的安全稳定运行。
实施例2
进一步地，本发明还提出了一种计算机可读存储介质。
在本发明的实施例中，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述的分布式光伏系统容量估计方法。
本发明实施例的计算机可读存储介质，在其上存储的与上述分布式光伏系统容量估计方法对应的计算机程序被处理器执行时，能够对用户安装的分布式光伏系统的容量进行准确估计，进而不仅能帮助政府部门监察用户是否私自安装分布式光伏系统或对其进行扩容，而且有利于保障用户的用电安全，促进分布式光伏发电领域的良性健康发展和保障电力系统的安全稳定运行。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (6)

1.一种分布式光伏系统容量估计方法，其特征在于，包括以下步骤：
从多个已知光伏容量的光伏系统中选取一个作为标准光伏系统；
获取所述标准光伏系统的历史输出功率，并根据所述标准光伏系统的历史输出功率对天气类型进行分类；
获取待估计光伏系统在两种天气类型下的日净负荷功率和所述标准光伏系统在所述两种天气类型下的历史输出功率，并根据所述待估计光伏系统在两种天气类型下的日净负荷功率和所述标准光伏系统在所述两种天气类型下的历史输出功率获取所述两种天气类型对应的最优配对日期索引，其中，所述标准光伏系统在所述两种天气类型下的输出功率差异最大；
基于所述最优配对日期索引，分别对所述待估计光伏系统在两种天气类型下的日净负荷功率和所述标准光伏系统在所述两种天气类型下的历史输出功率进行特征提取，以得到特征参数；
利用支持向量回归模型根据所述特征参数对待估计光伏系统进行光伏容量估计，其中，所述支持向量回归模型通过由已知光伏容量的光伏系统组成的训练样本训练得到
根据所述待估计光伏系统在两种天气类型下的日净负荷功率和所述标准光伏系统在所述两种天气类型下的历史输出功率获取所述两种天气类型对应的最优配对日期索引，包括：
步骤1：计算第sA天和第sD天所述待估计光伏系统在t时刻的净负荷功率之差
Figure FDA0003265803210000011
和所述标准光伏系统的输出功率之差
Figure FDA0003265803210000012
令C＝Cmin，其中，
Figure FDA0003265803210000013
Figure FDA0003265803210000014
Figure FDA0003265803210000015
表示所述待估计光伏系统在天气类型A的第sA天t时刻的净负荷功率，
Figure FDA0003265803210000016
表示所述待估计光伏系统在天气类型D的第sD天t时刻的净负荷功率，
Figure FDA0003265803210000017
表示所述标准光伏系统在天气类型A的第sA天t时刻的输出功率，
Figure FDA0003265803210000018
表示所述标准光伏系统在天气类型D的第sD天t时刻的输出功率，Cmin表示光伏容量的最小值，smin和tmin分别表示最小净负荷功率对应的日期索引和时刻索引，min(·)表示求最小值，argmin(·)表示函数取最小值时的变量取值，
Figure FDA0003265803210000019
表示所述待估计光伏系统在第s天t时刻的净负荷功率，
Figure FDA00032658032100000110
表示所述待估计光伏系统在第smin天t时刻的净负荷功率，
Figure FDA0003265803210000021
表示所述标准光伏系统在第smin天第tmin时刻的输出功率；
步骤2：确定光伏容量的迭代步长ΔC，令C＝C+ΔC；
步骤3：根据
Figure FDA0003265803210000022
和
Figure FDA0003265803210000023
计算下式：
Figure FDA0003265803210000024
其中，ts表示一天中的发电起始时刻，te表示一天中的发电结束时刻；
步骤4：判断C＞Cmax是否成立，若不成立，则返回步骤2，若成立，则选择f(sA,sD)取最小值时出现频率最高的一对sA *和sD *，并将sA *和sD *作为所述最优配对日期索引，其中，
Figure FDA0003265803210000025
Cmax表示光伏容量的最大值，mean(·)表示求平均值。
2.根据权利要求1所述的分布式光伏系统容量估计方法，其特征在于，从多个已知光伏容量的光伏系统中选取一个作为标准光伏系统，包括：
计算各光伏系统与其他光伏系统之间光伏出力的欧式距离；
分别计算各光伏系统对应的所有欧式距离的累加和；
选取累加和最小的光伏系统作为所述标准光伏系统。
3.根据权利要求2所述的分布式光伏系统容量估计方法，其特征在于，通过如下公式计算两光伏系统之间光伏出力的欧式距离：
Figure FDA0003265803210000026
其中，pi,pv(t)和pj,pv(t)分别表示第i个光伏系统和第j个光伏系统在t时刻的输出功率，T为时间段集合，Fi,j表示光伏系统i和光伏系统j之间光伏出力的欧式距离。
4.根据权利要求1所述的分布式光伏系统容量估计方法，其特征在于，通过如下公式对天气类型进行分类：
Figure FDA0003265803210000027
其中，||·||表示向量的2范数，
Figure FDA0003265803210000028
表示第s天所述标准光伏系统的输出功率，
Figure FDA0003265803210000029
表示第k种天气类别的聚类中心，Sk表示k种天气类型的日期索引集合。
5.根据权利要求1所述的分布式光伏系统容量估计方法，其特征在于，通过如下公式计算所述待估计光伏系统在两种天气类型下的日净负荷功率特征参数：
Figure FDA0003265803210000031
其中，
Figure FDA0003265803210000032
和
Figure FDA0003265803210000033
分别表示所述待估计光伏系统在第sD *天和第sA *天t时刻的净负荷功率，f1表示针对所述待估计光伏系统的净负荷功率所提取的特征参数。
6.根据权利要求1所述的分布式光伏系统容量估计方法，其特征在于，通过如下公式计算所述标准光伏系统在所述两种天气类型下的历史输出功率的特征参数：
Figure FDA0003265803210000034
其中，
Figure FDA0003265803210000035
和
Figure FDA0003265803210000036
分别表示所述标准光伏系统在第sD *天和第sA *天t时刻的输出功率，f2表示针对所述标准光伏系统的输出功率所提取的特征参数。
CN201910610820.5A 2019-07-08 2019-07-08 分布式光伏系统容量估计方法 Active CN110298603B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910610820.5A CN110298603B (zh) 2019-07-08 2019-07-08 分布式光伏系统容量估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910610820.5A CN110298603B (zh) 2019-07-08 2019-07-08 分布式光伏系统容量估计方法

Publications (2)

Publication Number Publication Date
CN110298603A CN110298603A (zh) 2019-10-01
CN110298603B true CN110298603B (zh) 2021-12-14

Family

ID=68030653

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910610820.5A Active CN110298603B (zh) 2019-07-08 2019-07-08 分布式光伏系统容量估计方法

Country Status (1)

Country Link
CN (1) CN110298603B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117175657B (zh) * 2023-09-04 2024-02-06 广东永光新能源设计咨询有限公司 光伏储能系统的容量配置方法、装置、介质及设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014082868A (ja) * 2012-10-16 2014-05-08 Central Research Institute Of Electric Power Industry 自然エネルギー型分散電源群の合計出力の変動推定方法、変動推定装置及び変動推定プログラム
US9892472B2 (en) * 2012-02-27 2018-02-13 Siemens Corporation Cost optimization for buildings with hybrid ventilation systems
CN109344990A (zh) * 2018-08-02 2019-02-15 中国电力科学研究院有限公司 一种基于dfs和svm特征选择的短期负荷预测方法及系统
CN109685257A (zh) * 2018-12-13 2019-04-26 国网青海省电力公司 一种基于支持向量机回归的光伏发电功率预测方法
CN109858673A (zh) * 2018-12-27 2019-06-07 南京工程学院 一种光伏发电系统功率预测方法
CN109919353A (zh) * 2019-01-11 2019-06-21 杭州电子科技大学 一种基于空间相关性的arima模型的分布式光伏预测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180012167A1 (en) * 2016-07-05 2018-01-11 Sostena, Inc. System and Method for Crop Management

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9892472B2 (en) * 2012-02-27 2018-02-13 Siemens Corporation Cost optimization for buildings with hybrid ventilation systems
JP2014082868A (ja) * 2012-10-16 2014-05-08 Central Research Institute Of Electric Power Industry 自然エネルギー型分散電源群の合計出力の変動推定方法、変動推定装置及び変動推定プログラム
CN109344990A (zh) * 2018-08-02 2019-02-15 中国电力科学研究院有限公司 一种基于dfs和svm特征选择的短期负荷预测方法及系统
CN109685257A (zh) * 2018-12-13 2019-04-26 国网青海省电力公司 一种基于支持向量机回归的光伏发电功率预测方法
CN109858673A (zh) * 2018-12-27 2019-06-07 南京工程学院 一种光伏发电系统功率预测方法
CN109919353A (zh) * 2019-01-11 2019-06-21 杭州电子科技大学 一种基于空间相关性的arima模型的分布式光伏预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
A Distributed PV System Capacity Estimation;王飞 等;《Energies》;20180704;全文 *
基于天气状态模式识别的;王飞 等;《中国电机工程学报》;20131205;全文 *
高光伏渗透率配电网中分布式储能系统的;陶琼 等;《高电压技术》;20160731;全文 *

Also Published As

Publication number Publication date
CN110298603A (zh) 2019-10-01

Similar Documents

Publication Publication Date Title
CN113609443B (zh) 基于区块链的碳足迹跟踪处理方法、装置及存储介质
CN109359665B (zh) 一种基于支持向量机的家电负荷识别方法及装置
CN113468811B (zh) 含新能源机组的电网备用容量概率化动态评估方法及系统
CN108846505B (zh) 可再生能源并网消纳信息多维度校核方法及设备
CN110298603B (zh) 分布式光伏系统容量估计方法
CN117744916A (zh) 储能容量的预测方法、装置、计算机设备及可读存储介质
CN109858667A (zh) 一种基于雷电气候对负荷影响的短期负荷聚类方法
CN112329996B (zh) 一种逆变器失配优化方法、装置及设备
CN107730399B (zh) 基于风力发电特性曲线的理论线损评估方法
CN111967919A (zh) 一种基于自回归和自适应提升算法的居民用电行为分析的系统及方法
CN116249186A (zh) 无线网设备的数据处理方法、装置、存储介质及电子设备
CN116937562A (zh) 分布式光伏接入的电能质量预测方法、装置以及电力系统
CN108183496B (zh) 一种光伏储能系统的能量管理方法
CN116304537A (zh) 基于智能量测终端的窃电用户核查方法
CN116470491A (zh) 基于copula函数的光伏功率概率预测方法及系统
CN106529805B (zh) 一种基于发电机重要度的发电系统可靠性评估方法
CN115313522A (zh) 一种考虑新能源出力预测偏差的备用容量配置方法及系统
CN114977162A (zh) 一种电动汽车充电监测方法及系统
CN114219205A (zh) 一种用于电网规划的柔性负荷可信容量计算方法
CN111932138A (zh) 一种基于高斯混合模型和期望极大算法的居民用电行为分析的系统及方法
CN112560947A (zh) 基于能源供需结构分析的聚类方法及装置
CN117291756B (zh) 一种储能设备配置调整方法、装置和存储介质
CN117575175B (zh) 碳排放评估方法、装置、电子设备和存储介质
CN112581312B (zh) 风电功率预测误差分布分析方法、装置、计算机设备和可读存储介质
CN117592010A (zh) 温度预测方法、装置、电子设备及计算机可读存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant